Estás leyendo la publicación: Entrevista con Rahul Saxena, cofundador y CTO de AiDash
La sostenibilidad se ha convertido en una palabra de moda en los negocios debido a las crecientes preocupaciones ambientales. Un número cada vez mayor de empresas se han comprometido con la causa y se han fijado metas elevadas. Pero, ¿cómo medimos el impacto que han tenido antes de establecer objetivos? La startup AiDash, con sede en Bangalore, cree que puede ayudar a responder esta importante pregunta.
Fundada en 2019, AiDash es una empresa SaaS vertical pionera en inteligencia artificial que permite operaciones, mantenimiento y sostenibilidad basados en satélites e inteligencia artificial para industrias con activos distribuidos geográficamente. AiDash utiliza datos SAR y multiespectrales de alta resolución de las principales constelaciones de satélites del mundo que se alimentan a sus modelos de IA patentados para hacer predicciones oportunas a escala. Estos modelos de IA potencian las aplicaciones completas de AiDash que transforman las operaciones y el mantenimiento para empresas de servicios públicos, energía, transporte, agua y aguas residuales, minería y construcción.
AiDash tiene una infraestructura de IA totalmente funcional que se construyó desde cero para satisfacer las necesidades específicas de una empresa. Hablamos con el cofundador y director de tecnología de la empresa, Rahul Saxena, sobre el fin comercial de establecer una infraestructura tecnológica y cómo AiDash superó los desafíos que conlleva.
OBJETIVO: La creencia común es que usar la infraestructura de IA cuesta una fortuna. ¿Es esto un mito? ¿Cuáles son las formas en que AiDash redujo los costos para desarrollar soluciones de IA?
Raúl Saxena: Construir una infraestructura de IA se vuelve costoso cuando la base no está bien pensada e implementada, ya que el marco debe manejar y entrenar grandes cantidades de datos, tener en cuenta el cómputo, el almacenamiento y el escalado de datos. Dicho esto, establecer marcos sólidos que reduzcan los costos operativos con el tiempo y se alineen con las necesidades comerciales puede ser una solución óptima.
En AiDash, superamos estos desafíos implementando las siguientes estrategias:
– Adopción de tecnología en la nube
Toda nuestra pila de AI/ML se basa en la nube, que se utiliza de manera muy óptima para el almacenamiento y la computación. Esto también nos brinda redes confiables y rápidas, opciones de escalabilidad y modelos de entrega seguros.
– Utilizando tecnologías de código abierto
Analizamos y adoptamos las mejores tecnologías de código abierto que se adaptan a nuestras necesidades y no incurren en gastos adicionales. Si bien muchas herramientas de código abierto de IA/ML están ganando terreno debido a sus numerosos beneficios de colaboración, las empresas de IA y big data también están comenzando a brindar soporte comercial y complementos para las herramientas de IA de código abierto.
– Atraer talento calificado
Tenemos con nosotros científicos de datos altamente calificados e ingenieros de ML que nos ayudan a construir algoritmos precisos y robustos. Conocen los entresijos de la creación de un producto de ciencia de datos exitoso. Y esta competencia deja muy poco espacio para errores y aumenta la tasa de éxito de los productos.
En resumen, las empresas pueden desarrollar soluciones de IA innovadoras a un costo óptimo; si se hace bien el trabajo preliminar, se adoptan las mejores tecnologías que proporcionan ROI, a largo plazo, y se contrata a las personas adecuadas.
OBJETIVO: ¿Cómo seleccionó AiDash su modelo ML y requirió la consulta de expertos?
Raúl Saxena: Seleccionar un modelo de ML es un proceso gradual que requiere una comprensión profunda de los requisitos y problemas y una experimentación continua para lograr el modelo adecuado para un negocio. Necesitamos tener en cuenta diferentes parámetros como datos, exactitud, precisión, clasificación, predicción y muchos más al seleccionar un modelo de ML, lo que requiere mucho tiempo y evaluación.
En AiDash, no requerimos ninguna consulta externa porque nuestras funciones de inteligencia artificial y ciencia de datos están dirigidas por Nitin Das, cofundador y director de inteligencia artificial, que es un gurú de AI-ML. También tiene una gran experiencia en redes neuronales y análisis satelital y tiene una sólida experiencia en impulsar iniciativas y desarrollo de IA/ML desde cero. Nuestro equipo de ciencia de datos es altamente competitivo y está formado por científicos de datos expertos e ingenieros de ML que son capaces de impulsar el desarrollo de modelos de IA desde la investigación hasta la implementación.
OBJETIVO: ¿Deberían las startups optar por soluciones de IA personalizadas para su software o software de IA de terceros? ¿La diferencia en los costos influye en la decisión? ¿Cómo hiciste para tomar la decisión?
Raúl Saxena: Hemos experimentado que optar por una solución de IA personalizada es un mejor enfoque, aunque depende principalmente de los casos de uso objetivo y la complejidad del producto. La creación de una solución personalizada incluye la creación de algoritmos personalizados y API patentadas, lo que implica costos iniciales y configuración de infraestructura. Pero esto demostró ser beneficioso a largo plazo, allanando el camino para la personalización de datos, redujo los costos operativos/de soporte y aumentó la calidad de las predicciones para datos especializados.
Hemos construido todos nuestros productos AiDash utilizando soluciones de IA personalizadas porque atendemos a una industria de nicho y tenemos casos de uso muy específicos. Nuestros productos de IA a medida tienen las mejores capacidades de predicción, pueden manejar grandes volúmenes de datos y son líderes en la industria debido a la solidez y versatilidad de nuestros modelos de IA.
Debido a que nuestra línea de productos crece constantemente, encontrar un software de terceros que abarque todas nuestras necesidades actuales y crecientes no parecía una solución factible. Y los programas de IA de terceros pueden resultar costosos a largo plazo a medida que se expanden el negocio y los requisitos.
OBJETIVO: ¿Qué importancia tienen las API en los negocios centrales de ML e IA?
Raúl Saxena: Las API desempeñan un papel clave en el desarrollo de IA y ML, ya que abren muchas posibilidades a una solución existente, como la reutilización y la escalabilidad.
La reutilización es un factor clave para la optimización en el desarrollo de modelos AI/ML. Un modelo no es óptimo si no entra en producción y no es reutilizable entre plataformas o productos. Para hacer que los modelos de IA y ML sean reutilizables y escalables, necesitamos API y automatización. También proporciona seguridad adicional a su código.
OBJETIVO: ¿Qué tan difícil es estimar los diversos costos involucrados en la IA? ¿Cómo fue tu experiencia en este sentido?
Raúl Saxena: Muchos componentes de costos están involucrados en la configuración de una infraestructura de IA escalable. La principal es la tecnología de la nube que se utiliza para los cálculos, el almacenamiento y las redes. Otros factores están relacionados con el desarrollo de algoritmos personalizados o la adopción de software de terceros, lo que puede aumentar los costos operativos.
Al configurar la infraestructura en AiDash, involucramos a expertos relevantes en AI/ML y DevOps durante las fases de planificación e implementación para garantizar que todos los aspectos fueran analizados y contabilizados. Creemos que analizar nuestros requisitos a fondo con una visión futurista y elegir el mejor enfoque nos ayudó a configurar la infraestructura que se alinea con nuestros objetivos estratégicos.
OBJETIVO: ¿Cuáles son algunas de las lecciones valiosas que aprendió durante este proceso?
Raúl Saxena: La configuración de una infraestructura de IA es un proceso gradual y requiere una comprensión profunda de los requisitos, modelos, datos, computación y almacenamiento clave.
- Aprendimos que comenzar con el almacenamiento manual y recopilar los requisitos de cómputo para cada perfil de modelo podría usarse para automatizar el proceso para configurar un marco que se pueda escalar y siga evolucionando a medida que crecemos en lugar de apuntar a la pila completa.
- Si bien nuestra pila inicial de software de IA/ML estaba estrechamente relacionada con un proveedor de la nube, más tarde nos dimos cuenta de las capacidades críticas adicionales que ofrecían otros proveedores de la nube y luego pasamos a desarrollar una pila independiente de la nube. Esto nos ha permitido tener una pila de software que se puede mover fácilmente entre diferentes proveedores de nube.
- Inicialmente, usábamos la infraestructura de GPU basada en la nube, pero luego nos dimos cuenta de que sería bastante costoso a medida que aumentaban nuestros requisitos. Por lo tanto, ahora hemos adoptado una combinación de infraestructura de GPU interna y basada en la nube.
A partir de todos nuestros aprendizajes, hoy hemos construido sistemas que pueden estimar los requisitos precisos de almacenamiento y computación para cada modelo que desarrollamos.
OBJETIVO: ¿Qué tan importante es determinar la composición del equipo para una startup de IA? ¿Cuál es el primer paso para formar tu equipo?
Raúl Saxena: Como cualquier startup, una startup de IA también requiere personas polifacéticas que puedan desempeñar varios roles y tengan grandes habilidades analíticas y de adaptación. Al comenzar el viaje con un equipo de IA, necesita ingenieros con una visión que tengan experiencia en la investigación y el desarrollo de modelos de IA junto con habilidades de desarrollo de software para visualizar e implementar soluciones de IA/ML. Pero a medida que incursiona en las profundidades y comienza a expandirse, debe traer a su equipo científicos de datos expertos, ingenieros de ML e ingenieros de DevOps con exposición relevante y habilidades de nicho. Cualquier equipo siempre debe tener una combinación de personas con diferentes habilidades y exposición para administrar el negocio sin compromisos.
En AiDash, creemos en contratar a los mejores y contamos con un equipo altamente talentoso de científicos de datos, ingenieros de ML y personal de DevOps que contribuyen al desarrollo de software, ingeniería de datos, desarrollo de API, modelado de datos, etc.
